Sa nakalipas na dalawang taon, ako at ang aking team sa Work & Co ay sumusubok at unti-unting isinasama ang mga tool sa AI coding tulad ng Copilot, Cursor, Claude, at ChatGPT upang matulungan kaming magpadala ng mga karanasan sa web na ginagamit ng masa. Totoo, pagkatapos ng ilang paunang pag-aalinlangan at ilang sandali, ang iba't ibang mga tool ng AI ay natagpuan ang kanilang paraan sa aking pang-araw-araw na paggamit. Sa paglipas ng panahon, nagsimulang lumaki ang listahan ng mga application kung saan nalaman naming makatuwirang hayaan ang AI na pumalit, kaya nagpasya akong magbahagi ng ilang praktikal na kaso ng paggamit para sa mga tool ng AI para sa tinatawag kong "responsableng developer." Ano ang ibig kong sabihin sa isang responsableng developer? Kailangan naming tiyakin na naghahatid kami ng kalidad na code gaya ng inaasahan ng aming mga stakeholder at kliyente. Ang aming mga kontribusyon (ibig sabihin, mga kahilingan sa paghila) ay hindi dapat maging pabigat sa aming mga kasamahan na kailangang suriin at subukan ang aming trabaho. Gayundin, kung sakaling magtrabaho ka sa isang kumpanya: Ang mga tool na ginagamit namin ay kailangang maaprubahan ng aming employer. Ang mga sensitibong aspeto tulad ng seguridad at privacy ay kailangang pangasiwaan nang maayos: Huwag mag-paste ng mga lihim, data ng customer (PII), o proprietary code sa mga tool nang walang pag-apruba sa patakaran. Tratuhin ito tulad ng code mula sa isang estranghero sa internet. Palaging subukan at i-verify. Tandaan: Ipinapalagay ng artikulong ito ang ilang napakapangunahing pamilyar sa mga tool sa AI coding tulad ng Copilot sa loob ng VSCode o Cursor. Kung ang lahat ng ito ay tila ganap na bago at hindi pamilyar sa iyo, ang Github Copilot video tutorial ay maaaring maging isang kamangha-manghang panimulang punto para sa iyo.
Mga Kapaki-pakinabang na Application Ng AI Coding Tools Tandaan: Ang mga sumusunod na halimbawa ay pangunahing nakatuon sa pagtatrabaho sa mga web application na nakabatay sa JavaScript tulad ng React, Vue, Svelte, o Angular. Pagkuha ng Pag-unawa Ng Isang Hindi Pamilyar na Codebase Karaniwang magtrabaho sa mga itinatag na codebase, at ang pagsali sa isang malaking legacy na codebase ay maaaring nakakatakot. Buksan lamang ang iyong proyekto at ang iyong ahente ng AI (sa aking kaso, Copilot Chat sa VSCode) at magsimulang magtanong tulad ng itatanong mo sa isang kasamahan. Sa pangkalahatan, gusto kong makipag-usap sa sinumang ahente ng AI tulad ng gagawin ko sa kapwa tao. Narito ang isang mas pinong halimbawa ng prompt: "Bigyan mo ako ng mataas na antas na pangkalahatang-ideya ng arkitektura: mga entrypoint, routing, auth, data layer, build tooling. Pagkatapos ay maglista ng 5 file na babasahin sa pagkakasunud-sunod. Ituring ang mga paliwanag bilang mga hypotheses at kumpirmahin sa pamamagitan ng paglukso sa mga reference na file."
Maaari kang patuloy na magtanong ng mga follow-up na tanong tulad ng "Paano gumagana ang pagruruta nang detalyado?" o "Makipag-usap sa akin sa pamamagitan ng proseso at pamamaraan ng pagpapatotoo" at dadalhin ka nito sa mga kapaki-pakinabang na direksyon upang magbigay liwanag sa dilim ng isang hindi pamilyar na codebase. Triaging Breaking Changes Kapag Nag-a-upgrade ng Dependencies Ang pag-update ng mga npm packages, lalo na kapag may mga paglabag ang mga ito, ay maaaring nakakapagod at nakakaubos ng oras, at gagawin kang mag-debug ng patas na dami ng mga regression. Kinailangan kong i-upgrade kamakailan ang library ng visualization ng data plotly.js ng isang pangunahing bersyon ng release mula sa bersyon 2 hanggang 3, at bilang resulta nito, huminto sa paggana ang pag-label ng axis sa ilan sa mga graph. Nagtanong ako sa ChatGPT: "In-update ko ang aking Angular project na gumagamit ng Plotly. Na-update ko ang plotly.js — dist package mula sa bersyon 2.35.2 hanggang 3.1.0 — at ngayon ay wala na ang mga label sa x at y axis. Ano ang nangyari?"
Ang ahente ay bumalik kaagad na may dalang solusyon (tingnan ang iyong sarili sa ibaba). Tandaan: Na-verify ko pa rin ang paliwanag laban sa opisyal na gabay sa paglilipat bago ipadala ang pag-aayos.
Ligtas na Kinokopya ang Mga Refactor sa Mga File Ang mga lumalagong codebase ay tiyak na nagbubunyag ng mga pagkakataon para sa pagsasama-sama ng code. Halimbawa, napansin mo ang pagdoble ng code sa mga file na maaaring i-extract sa isang function o bahagi. Bilang resulta, nagpasya kang lumikha ng isang nakabahaging bahagi na maaaring isama sa halip at gawin ang refactor na iyon sa isang file. Ngayon, sa halip na manu-manong isagawa ang mga pagbabagong iyon sa iyong mga natitirang file, hilingin mo sa iyong ahente na ilunsad ang refactor para sa iyo. Hinahayaan ka ng mga ahente na pumili ng maraming file bilang konteksto. Kapag ang refactor para sa isang file ay tapos na, maaari kong idagdag ang parehong refactored at hindi nagalaw na mga file sa konteksto at i-prompt ang ahente na ilunsad ang mga pagbabago sa iba pang mga file tulad nito: "Gulitin ang mga pagbabagong ginawa ko sa file A sa file B din". Pagpapatupad ng Mga Tampok sa Hindi Pamilyar na Teknolohiya Isa sa mga paborito kong aha-moments gamit ang AI coding tool ay noong nakatulong ito sa akin na gumawa ng medyo kumplikadong animated gradient animation sa GLSL, isang wikang medyo hindi ko pamilyar. Sa isang kamakailang proyekto, nakabuo ang aming mga designer ng isang animated na gradient bilang estado ng paglo-load sa isang 3D na bagay. Talagang nagustuhan ko ang konsepto at nais kong maghatid ng kakaiba at kapana-panabik sa aming mga kliyente. Angproblema: Mayroon lamang akong dalawang araw upang ipatupad ito, at ang GLSL ay may napakataas na kurba ng pagkatuto. Muli, ang isang tool ng AI (sa kasong ito, ChatGPT) ay madaling gamitin, at sinimulan ko ito nang simple upang lumikha ng isang standalone na HTML file para sa akin na nag-render ng canvas at isang napakasimpleng animated na color gradient. Sunud-sunod na hakbang, sinenyasan ko ang AI na magdagdag ng higit pang pagkapino dito hanggang sa makarating ako sa isang disenteng resulta para masimulan kong isama ang shader sa aking aktwal na codebase. Ang resulta: Ang aming mga kliyente ay sobrang masaya, at naghatid kami ng isang kumplikadong tampok sa isang maliit na oras salamat sa AI. Mga Pagsusulit sa Pagsulat Sa aking karanasan, bihirang may sapat na oras sa mga proyekto upang patuloy na magsulat at mapanatili ang isang maayos na hanay ng mga pagsubok sa yunit at pagsasama, at higit pa rito, maraming mga developer ang hindi talaga nasisiyahan sa gawain ng pagsulat ng mga pagsusulit. Ang pag-prompt sa iyong AI helper na mag-set up at magsulat ng mga pagsubok para sa iyo ay ganap na posible at maaaring gawin sa isang maliit na oras. Siyempre, ikaw, bilang isang developer, ay dapat pa ring tiyakin na ang iyong mga pagsubok ay aktwal na tumitingin sa mga kritikal na bahagi ng iyong aplikasyon at sumusunod sa mga makabuluhang prinsipyo ng pagsubok, ngunit maaari mong "i-outsource" ang pagsulat ng mga pagsubok sa aming AI helper. Halimbawa ng prompt: "Magsulat ng mga unit test para sa function na ito gamit ang Jest. Cover happy path, edge cases, at failure modes. Ipaliwanag kung bakit umiiral ang bawat pagsubok."
Maaari mo ring ipasa ang testing guru na si Kent C. Dodds's testing best practices bilang mga alituntunin sa iyong ahente, tulad ng nasa ibaba:
Panloob na Tooling Medyo katulad ng halimbawa ng shader na binanggit kanina, kamakailan ay inatasang ako na suriin ang pagdoble ng code sa isang codebase at ihambing bago at pagkatapos ng isang refactor. Tiyak na hindi isang maliit na gawain kung ayaw mong pumunta sa rutang nakakaubos ng oras ng manu-manong paghahambing ng mga file. Sa tulong ng Copilot, gumawa ako ng script na nagsuri ng pagdoble ng code para sa akin, inayos at inayos ang output sa isang table, at na-export ito sa Excel. Pagkatapos ay kinuha ko ito ng isang hakbang pa. Nang tapos na ang aming code refactor, sinenyasan ko ang ahente na kunin ang aking umiiral na Excel sheet bilang baseline, idagdag ang kasalukuyang estado ng pagdoble sa magkahiwalay na mga column, at kalkulahin ang delta. Ina-update ang Code na Isinulat Matagal Na Ang Nakaraan Kamakailan, sinaktan ako ng isang matandang kliyente ko, dahil sa paglipas ng panahon, hindi na gumagana nang maayos ang ilang feature sa kanyang website. Ang catch: Ang website ay binuo halos sampung taon na ang nakalipas, at ang JavaScript at SCSS ay gumagamit ng medyo lumang compile tool tulad ng requireJS, at ang pag-setup ay nangangailangan ng mas lumang bersyon ng Node.js na hindi man lang tatakbo sa aking 2025 MacBook. Ang pag-update ng buong proseso ng pagbuo sa pamamagitan ng kamay ay aabutin ako ng mga araw, kaya nagpasya akong i-prompt ang ahente ng AI, "Maaari mo bang i-update ang proseso ng pagbuo ng JS at SCSS sa isang lean 2025 stack tulad ng Vite?" Tiyak na nangyari ito, at pagkatapos ng humigit-kumulang isang oras ng pagpino sa ahente, inilipat ko ang aking SCSS at JS build sa Vite, at nakapag-focus ako sa aktwal na pag-aayos ng bug. Siguraduhin lamang na wastong patunayan ang output at pinagsama-samang mga file kapag gumagawa ng mga mahalagang pagbabago sa iyong proseso ng pagbuo. Pagbubuod At Pagbalangkas Gusto mo bang ibuod ang lahat ng iyong kamakailang pagbabago sa code sa isang pangungusap para sa isang commit message, o magkaroon ng mahabang listahan ng mga commit at gusto mong buod ang mga ito sa tatlong bullet point? Walang problema, hayaan ang AI na bahala dito, ngunit pakitiyak na i-proofread ito. Ang isang halimbawang prompt ay kasing simple ng pagmemensahe sa isang kapwa tao: "Pakibuo ang aking kamakailang mga pagbabago sa mga maiikling bullet point." Ang payo ko rito ay gumamit ng GPT para sa pagsulat nang may pag-iingat, at tulad ng code, pakisuri ang output bago ipadala o isumite. Mga Rekomendasyon At Pinakamahuhusay na Kasanayan Pag-uudyok Ang isa sa mga hindi masyadong halatang benepisyo ng paggamit ng AI ay ang mas partikular at pinasadya ang iyong mga senyas, mas maganda ang output. Ang proseso ng pag-prompt sa isang ahente ng AI ay nagpipilit sa amin na bumalangkas ng aming mga kinakailangan nang partikular hangga't maaari bago kami magsulat at mag-code. Ito ang dahilan kung bakit, bilang pangkalahatang tuntunin, lubos kong inirerekumenda ang pagiging tiyak hangga't maaari sa iyong pag-udyok. Si Ryan Florence, co-author ng Remix, ay nagmumungkahi ng isang simple ngunit makapangyarihang paraan upang mapabuti ang prosesong ito sa pamamagitan ng pagtatapos ng iyong unang prompt gamit ang pangungusap: "Bago tayo magsimula, may tanong ka ba sa akin?"
Sa puntong ito, kadalasang bumabalik ang AI na may kasamang mga kapaki-pakinabang na tanong kung saan maaari mong linawin ang iyong partikular na layunin, na ginagabayan ang ahente na bigyan ka ng mas angkop na diskarte para sa iyong gawain.
Gumamit ng Kontrol sa Bersyon At Magtrabaho Sa Mga Natutunaw na Tipak Ang paggamit ng kontrol sa bersyon tulad ng git ay hindi lamang magagamit kapag nakikipagtulungan bilang isang koponan sa isang solong codebase ngunit upang maibigay din sa iyo bilang isangindibidwal na kontribyutor na may mga stable na puntos upang ibalik sa kaso ng isang emergency. Dahil sa likas na hindi deterministiko nito, minsan ang AI ay maaaring maging rogue at gumawa ng mga pagbabago na sadyang hindi nakakatulong para sa kung ano ang sinusubukan mong makamit at kalaunan ay masira ang mga bagay nang hindi na mababawi. Ang paghahati-hati sa iyong trabaho sa maraming commit ay makakatulong sa iyong lumikha ng mga stable na puntos na maaari mong balikan kung sakaling tumabi ang mga bagay-bagay. At magpapasalamat din ang iyong mga kasamahan sa koponan, dahil mas madali nilang suriin ang iyong code kapag nahahati ito sa mga semantically well-structured chunks. Magbalik-aral nang Maigi Ito ay higit pa sa isang pangkalahatang pinakamahusay na kasanayan, ngunit sa aking opinyon, ito ay nagiging mas mahalaga kapag gumagamit ng mga tool ng AI para sa gawaing pag-unlad: Maging unang kritikal na tagasuri ng iyong code. Siguraduhing maglaan ng ilang oras upang suriin ang iyong mga pagbabago sa bawat linya, tulad ng pagre-review mo sa code ng ibang tao, at isumite lang ang iyong gawa kapag pumasa ito sa sarili mong pagsusuri. "Dalawang bagay ang parehong totoo sa akin ngayon: Ang mga ahente ng AI ay kamangha-mangha at isang malaking pagpapalakas ng produktibo. Ang mga ito ay napakalaking slop machine din kung i-off mo ang iyong utak at ganap na bitawan." - Armin Ronacher sa kanyang post sa blog na Agent Psychosis: Are We Going Insane?
Konklusyon At Kritikal na Kaisipan Sa aking opinyon, ang mga tool sa AI coding ay maaaring mapabuti ang aming pagiging produktibo bilang mga developer sa araw-araw at palayain ang kapasidad ng pag-iisip para sa higit pang pagpaplano at mataas na antas ng pag-iisip. Pinipilit nila kaming ipahayag ang aming ninanais na resulta nang may maselang detalye. Anumang AI ay maaaring, minsan, mag-hallucinate, na karaniwang nangangahulugan na ito ay nasa isang tiwala na tono. Kaya't pakitiyak na suriin at subukan, lalo na kapag nagdududa ka. Ang AI ay hindi isang pilak na bala, at naniniwala ako, ang kahusayan at ang kakayahang lutasin ang mga problema bilang isang developer ay hindi mawawala sa uso. Para sa mga developer na nagsisimula pa lamang sa kanilang karera, ang mga tool na ito ay maaaring maging lubhang nakatutukso na gawin ang karamihan ng trabaho para sa kanila. Ang maaaring mawala dito ay ang madalas na nakakapagod at masakit na trabaho sa pamamagitan ng mga bug at isyu na mahirap i-debug at lutasin, aka "the grind". Maging ang sariling Lee Robinson ng Cursor AI ay nagtatanong nito sa isa sa kanyang mga post:
Ang mga tool sa AI coding ay mabilis na umuusbong, at nasasabik ako sa susunod na mangyayari. Umaasa ako na nakatulong ang artikulong ito at ang mga tip nito at nasasabik akong subukan ang ilan sa mga ito para sa iyong sarili.
